最近几年从国家到地方都高度重视新一代人工智能的发展，推进人工智能产业与
实体经济深度融合。很多
互联网企业从 Google、Facebook、
亚马逊到国内的华为、BAT 等顶尖科技企业，都在大力地高薪招募人工智能方面的工程师和专家。
深度学习作为人工智能的核心技术，受到越来越多的关注。但是另一方面深度学习技术仍不完美，有待于进一步提升。很多刚接触深度学习的同学可能比较好奇，目前深度学习技术存在哪些局限性呢？主要有以下几方面
一是深度神经网络的模型复杂度高，巨量的参数导致模型尺寸大，难以部署到移动终端设备。
二是模型训练所需的数据量大，而训练数据样本获取、标注成本高，有些场景样本难以获取。
三是应用门槛高，算法建模及调参过程复杂繁琐、算法设计周期长、系统实施维护困难。
四是存在可解释性问题，由于内部的参数共享和复杂的特征抽取与组合，很难解释模型到底学习到了什么，但出于安全性考虑以及伦理和法律的需要，算法的可解释性又是十分必要的。